光学字符识别（OCR）将文本图像（扫描件、智能手机照片、PDF）转换为机器可读的字符串，并越来越多地转换为 结构化数据。现代 OCR 是一个清理图像、查找文本、读取文本并导出丰富元数据的管道， 以便下游系统可以搜索、索引或提取字段。两个广泛使用的输出标准是 hOCR，一种用于文本和布局的 HTML 微格式，以及 ALTO XML，一种面向图书馆/档案馆的模式；两者都保留位置、阅读顺序和其他布局提示，并受 流行引擎（如 Tesseract）支持。
预处理。 OCR 质量始于图像清理：灰度转换、去噪、 阈值处理（二值化）和偏斜校正。经典的 OpenCV 教程涵盖了全局、 自适应 和 Otsu 阈值处理——适用于光照不均匀或双峰直方图的文档。当页面内的光照发生变化时 （例如手机快照），自适应方法通常优于单个全局阈值；Otsu 通过分析直方图自动选择阈值。倾斜校正同样重要：基于霍夫变换的 偏斜校正（霍夫线变换）与 Otsu 二值化相结合，是生产预处理管道中常用且有效的方案。
检测与识别。 OCR 通常分为文本检测（文本在 哪里？）和文本识别（它说了什么？）。在自然场景和许多扫描中，全卷积 检测器（如 EAST ）可以有效地预测单词或行级四边形，而无需繁重的提议阶段，并且已在 常见工具包（例如 OpenCV 的文本检测教程）中实现。在复杂的页面（报纸、表格、书籍）上，行/区域的分割和阅读顺序推断很重要：Kraken 实现了传统的区域/行分割和神经基线分割，并明确支持 不同的脚本和方向（LTR/RTL/垂直）。
识别模型。 经典的开源主力 Tesseract （由 Google 开源，源于 HP）从字符分类器演变为基于 LSTM 的序列 识别器，可以从 CLI 发出可搜索的 PDF、 hOCR/ALTO 友好输出等。现代识别器依赖于序列建模，而无需预先分割字符。 连接主义时间分类 (CTC) 仍然是基础，它学习输入特征序列和输出标签字符串之间的对齐；它广泛 用于手写和场景文本管道。
在过去几年中，Transformer 重塑了 OCR。 TrOCR 使用视觉 Transformer 编码器和文本 Transformer 解码器，在大型合成语料库上进行训练，然后 在真实数据上进行微调，在印刷、手写和场景文本基准测试中表现出色（另请参阅 Hugging Face 文档）。与此同时，一些系统绕过 OCR 进行下游理解： Donut（文档理解 Transformer） 是一种无 OCR 的编码器-解码器，可直接从文档 图像输出结构化答案（如键值 JSON）（仓库， 模型卡），避免了在单独的 OCR 步骤为 IE 系统提供数据时出现错误累积。
如果您想要跨多种脚本的“开箱即用”文本阅读， EasyOCR 提供了一个包含 80 多种语言模型的简单 API，可返回框、文本和置信度——方便用于原型和 非拉丁脚本。对于历史文献， Kraken 以基线分割和脚本感知阅读顺序而著称；对于灵活的行级训练， Calamari 建立 在 Ocropy 的基础上（Ocropy），带有（多）LSTM+CTC 识别器和用于微调自定义模型的 CLI。
泛化取决于数据。对于手写， IAM 手写数据库 为训练和评估提供了不同作者的英语句子；它是 行和单词识别的长期参考集。对于场景文本， COCO-Text 在 MS-COCO 上分层了广泛的注释，带有印刷/手写、清晰/不清晰、脚本和 完整转录的标签（另请参阅原始 项目页面）。该领域还严重依赖合成预训练： 野外合成文本 将文本渲染到具有逼真几何和光照的照片中，为预训练 检测器和识别器提供大量数据（参考 代码和数据）。
ICDAR 的鲁棒阅读 下的竞赛使评估保持接地气。最近的任务强调端到端检测/阅读，并包括将单词 链接成短语，官方代码报告 精确率/召回率/F-score、交并比 (IoU) 和字符级编辑距离度量——反映了从业者应该跟踪的内容。
OCR 很少以纯文本结尾。档案馆和数字图书馆更喜欢 ALTO XML ，因为它 除了内容之外还编码了物理布局（带坐标的块/行/字），并且它与 METS 打包配合得很好。 hOCR 微格式则相反，它使用 ocr_line 和 ocrx_word 等类将相同的思想嵌入到 HTML/CSS 中，从而可以轻松地使用 Web 工具进行显示、编辑和转换。Tesseract 两者都支持——例如， 直接从 CLI 生成 hOCR 或可搜索的 PDF（PDF 输出指南）；像 pytesseract 这样的 Python 包装器增加了便利性。当存储库具有固定的接收 标准时，存在用于在 hOCR 和 ALTO 之间进行转换的转换器——请参阅此精选列表 OCR 文件格式工具。
最强劲的趋势是融合：检测、识别、语言建模，甚至特定于任务的解码 正在合并到统一的 Transformer 堆栈中。在 大型合成语料库 上进行预训练仍然是一个力量倍增器。无 OCR 模型将在目标是结构化输出 而不是逐字记录的任何地方积极竞争。也期待混合部署：一个轻量级检测器加上一个 TrOCR 风格的 识别器用于长格式文本，以及一个 Donut 风格的模型用于表格和收据。
Tesseract (GitHub) · Tesseract 文档 · hOCR 规范 · ALTO 背景 · EAST 检测器 · OpenCV 文本检测 · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM 手写 · OCR 文件格式工具 · EasyOCR
光学字符识别(OCR)是一种技术，用于将不同类型的文档，如扫描的纸质文档、PDF文件或由数字相机拍摄的图像，转换为可编辑和可搜索的数据。
OCR通过扫描输入的图像或文档，将图像分割成单个字符，然后将每个字符与使用模式识别或特征识别的字符形状数据库进行比较。
OCR用于各种行业和应用中，包括数字化打印文档、启用文字到语音服务、自动化数据录入过程、以及帮助视障用户更好地与文本交互。
尽管OCR技术 已取得了巨大的进步，但它并不是绝对可靠的。根据原始文档的质量和所使用的OCR软件的具体情况，其准确性可能会有所不同。
虽然OCR主要用于识别打印的文本，但一些先进的OCR系统也能识别清晰、一致的手写字。然而，由于个人写作风格的巨大差异，手写字体识别通常准确率较低。
是的，许多OCR软件系统可以识别多种语言。然而，需要确保你正在使用的软件支持特定的语言。
OCR是Optical Character Recognition的缩写，用于识别打印的文本，而ICR，或称Intelligent Character Recognition，更先进，用于识别手写的文本。
OCR最适合处理清晰、易于阅读的字体和标准的文字大小。虽然它可以处理各种字体和大小，但是当处理不常见的字体或非常小的文字大小时，准确性可能会下降。
OCR可能会出现问题，如处理低分辨率的文档，复杂的字体，打印质量差的文本，手写文本，以及含有干扰文本的背景的文档。另外，尽管它可以处理多种语言，但可能并不能完美地覆盖所有语言。
是的，OCR可以扫描彩色的文本和背景，虽然它通常对高对比度的颜色组合更有效，比如黑色的文本和白色的背景。当文本和背景颜色对比度不足时，其准确性可能会降低。
便携式像素图 (PPM) 格式是一种最简单但功能强大的光栅图形格式，它作为 Netpbm 项目的一部分出现。PPM 格式在设计上非常直接，提供了一种以基本方式表示彩色图像的方法，使人类和机器都可以非常方便地读写。它与便携式位图 (PBM，用于黑白图像) 和便携式灰度图 (PGM，用于灰度图像) 一起归类在 Netpbm 格式的保护伞下。这些格式中的每一个都旨在封装具有不同程度的色彩深度和复杂性的图像，而 PPM 在色彩表示方面是其中最复杂的。
PPM 格式使用一个简单的 ASCII 文本文件（尽管二进制表示也很常见）来定义图像，该文件以直接的方式指定像素颜色信息。它以一个“魔术数字”开头，该数字指示文件是 ASCII (P3) 还是二进制 (P6) 格式，后面是空格、图像的尺寸（宽度和高度）、最大颜色值，然后是实际像素数据。PPM 文件中的像素数据由 RGB 颜色值组成，每个分量的范围从 0 到指定的最大值（通常为 255），允许每个像素有超过 1600 万种可能的颜色组合。
PPM 格式的核心优势之一是其简单性。PPM 文件的结构非常简单，在 ASCII 模式下可以使用基本的文本编辑工具轻松生成或修改。这种简单性也扩展到它的处理；与 JPEG 或 PNG 等更复杂的格式相比，编写用于解析或生成 PPM 图像的软件所需的工作量很小。这种可访问性使 PPM 成为学术环境或业余爱好者中基本成像任务的首选，并且是学习图像处理或计算机图形编程的人的垫脚石。
尽管有这些优点，PPM 格式确实有一些显着的限制，这些限制源于其简单性。其中最重要的是缺乏任何压缩机制，这导致文件比 JPEG 或 PNG 等更复杂格式中的文件大得多。这使得 PPM 不太适合网络使用或存储空间和带宽受限的任何应用程序。此外，PPM 格式不支持任何形式的透明度、图层或元数据（例如颜色配置文件或 EXIF 数据），这可能会限制其在更复杂图形设计或摄影工作流程中的实用性。
要创建或查看 PPM 文件，可以使用 Netpbm 包中提供的各种工具，或通过支持此格式的众多其他图形软件工具。软件开发人员和研究人员赞赏 PPM 格式易于实现。解析 PPM 文件（尤其是在 ASCII 模式下）非常简单，因为它涉及读取文本行并根据格式的最小规范对其进行解释。编写输出 PPM 图像的软件可以同样简单，使其成为图形编程课程中的初始项目或快速原型制作的绝佳选择。
在实际应用中，使用 PPM 文件涉及深入了解其结构。文件以一个魔术数字开头（ASCII 为“P3”，二进制为“P6”），后面是空格字符。在魔术数字之后，图像的尺寸以两个整数提供，分别表示图像的宽度和高度。它们也用空格分隔。在尺寸之后，指定最大颜色值，它决定了每个 RGB 值的范围。在大多数情况下，此值为 255，表示每个颜色分量（红色、绿色和蓝色）的范围可以从 0 到 255。
在标题之后，是每个像素的 RGB 值。在 ASCII 模式 (P3) 中，这些值以纯文本形式作为单独的数字编写，每个 RGB 三元组表示一个像素。像素从左到右、从上到下排列成行。在二进制模式 (P6) 中，颜色值以更紧凑的二进制格式表示，虽然不太适合人类阅读，但计算机可以更有效地解析。RGB 三元组的每个分量通常是一个字节，从而产生一个更精简的文件，尽管没有压缩，但与 ASCII 对应 文件相比，读取和写入速度更快。
尽管转向提供压缩和附加功能的更高级和更复杂的图像格式，但 PPM 格式在各种利基环境中仍然具有相关性。它作为图像处理研究中公分母的能力（重点更多放在算法而不是文件格式的具体内容上）不容小觑。此外，该格式的简单性和缺乏压缩使其成为图像处理保真度至上的场景的理想选择，因为不会因压缩伪影而损失图像质量。
为了解决文件大小问题（这是 PPM 格式的一个重大缺点），可以考虑使用外部压缩工具作为解决方法。虽然这不会将压缩集成到文件格式本身中，但 gzip 等工具可以大幅减少 PPM 文件所需的存储空间，使其更易于传输或归档。然而，这种方法在工作流程中增加了一个额外的步骤，因为需要将文件与查看或编辑图像的过程分开压缩和解压缩。
先进的成像技术和对更高效率的追求导致了 JPEG 和 PNG 等格式在许多应用程序中的开发和偏好。然而，PPM 格式在教授数字成像和编程基础方面的教育价值不容忽视。通过将复杂性简化为图像文件的核心组件，学习者可以专注于影响图像转换、增强和生成而不被格式解析和压缩算法的复杂性所困扰。
此外，PPM 格式充当通往更复杂的成像任务和格式的桥梁。在原始像素级别理解和使用 RGB 颜色模型提供了基础知识，几乎适用于计算机图形和图像处理的所有领域。在 PPM 格式中处理图像获得的经验为解决更复杂的格式及其带来的挑战奠定了基础，例如处理色彩空间、压缩技术和图像元数据。
总之，便携式像素图 (PPM) 格式以其简单性和易用性脱颖而出，成为计算机图形和图像处理领域有价值的学习工具。虽然它可能缺乏更现代格式的特性和效率，但它的直接性为初学者提供了深入了解图像表示和处理基础的无与伦比的机会。对于研究人员、教育工作者和业余爱好者来说，PPM 格式提供了一个清晰且易于访问的框架，用于探索数字成像的基础知识，既可用作实用工具，也可用作教育资源。
这个转换器完全在您的浏览器中运行。当您选择一个文件时,它将被 读入内存并转换为所选格式。 然后,您可以下载转换后的文件。
转换立即开始,大多数文件在一秒钟内完成转换。较大的文件可能需要更长时间。
您的文件永远不会上传到我们的服务器。它们在您的浏览器中转换,然后下载转换后的文件。我们永远看不到您的文件。
我们支持在所有图像格式之间进行转换,包括 JPEG、PNG、GIF、WebP、SVG、BMP、TIFF 等等。
这个转换器完全免费,并将永远免费。因为它在您的浏览器中运行,所以我们不需要为服务器付费,因此我们不需要向您收费。
是的!您可以同时转换尽可能多的文件。只需在添加时选择多个文件即可。